CoMo_Extraction —— 可解释 GNN 的城市形态提取框架


把「城市长什么样」和「城市用来干嘛」的关联交给一个能自我解释的图神经网络 —— 不只给出分类结果,还说清是哪些形态特征、哪些建筑在起作用。

这是什么

一套城市形态–功能关联分析的完整代码框架(CoMo = Core Morphology)。输入是两套权威公开数据:建筑轮廓几何与地块功能标签;输出是若干可命名的核心形态子类,以及每个地块挂上的主导形态标签。

方法路线参照 Chen et al. (2025) 发表于 Computers, Environment and Urban Systems 的城市形态–功能 GNN 研究,工程上落成一套可运行、可换城市、可跨城迁移的代码。

技术栈与关键决策

  • PyTorch + PyTorch Geometric —— 图神经网络底座。模型为 GCN + SAGPooling + Jumping Knowledge,三层卷积 / 三层池化,池化保留比例 0.3,读出层用 mean 与 max 拼接。
  • Delaunay 三角剖分 + 200 m 距离阈值 —— 建图规则:以建筑为节点、阈值内的 Delaunay 邻接为边。选它的理由是无需额外超参调优即可得到稳定的邻接结构,且距离阈值有明确的城市尺度含义。
  • 两段式归因(F_S / G_S) —— F_S 用 GNNExplainer 在节点特征掩码上取「对分类最重要的形态子空间」,回答「该看哪些指标」;G_S 用梯度归因取「对分类贡献最大的核心建筑」,回答「该看哪些房子」。解释因此从特征级落到建筑级。
  • UMAP + KMeans(纯 numpy 实现) —— 只在 F_S 子空间上对核心建筑聚类。为避免 OpenMP/MKL 运行库冲突导致的子进程崩溃,KMeans 与轮廓系数用纯 numpy 重写;UMAP 失败时自动回退 PCA。
  • 单一 config.yaml 作为唯一配置源 —— 换城市只需改 data.* 路径,不产生配置文件变体;建图脚本会把图目录写回配置,避免路径散落各处。

流程:建图 → 训练 → 解释 → 聚类 → 回贴

建筑几何 ──Delaunay 建图(200 m 阈值)──▶ 地块图
                                    │
        GCN + SAGPool + Jumping Knowledge ─┘  训练:判别地块功能(5 类)
                                    │
        GNNExplainer ───────────────┘  取 F_S:对分类最重要的形态子空间
        梯度归因 ────────────────────┘  取 G_S:对分类贡献最大的核心建筑
                                    │
        UMAP + KMeans ──────────────┘  把核心建筑聚成可命名的核心形态子类(T1..TK)
                                    │
        地块回贴 ────────────────────┘  给每个地块打上主导形态标签

数据

数据 来源 角色
建筑轮廓(多边形几何) SinoBF-1(Li et al. 2026, Nature Communications;覆盖中国 109 城) 只取几何,派生 22 维形态指标
地块功能标签(5 类) EULUC-China 2.0(全国建筑级用地分类) 作为 GNN 的训练目标

关键设计:22 维形态指标(面积、周长、凸度、分形维数、最大圆度、覆盖率……)全部由建筑几何派生,不依赖任何建筑类别标签;功能标签只在训练时当「答案」用。这样形态端与功能端在数据来源上完全解耦,保证「形态 → 功能」的链路干净。

结果:以深圳为例

本地全链路跑通 10 折分层交叉验证:

指标 值
地块图 / 建筑节点 6,067 图 / 352,749 个建筑
整体准确率 0.650(跨折标准差 0.010)
加权 F1 / 宏 F1 0.613 / 0.378
核心形态子类数 自动选出 K = 9
形态特征子空间 F_S 9 个(复杂度指数、最大圆度、覆盖率、面积、平均半径……)
地块回贴结果 5,631 个混合型 / 436 个主导型

逐类召回:居住 91.7%、工业 33.0%、公管 27.6%、商业 26.7%、交通 0%(该类样本仅 51 个,尚学不动)。换成权威建筑几何后,少数功能类(尤其商业)的可学性相比早期实验明显改善,但样本稀少的类别仍是精度瓶颈。

跨城市迁移

pipelines/cross_city_transfer.py 支持把源城市训练好的模型直接推断目标城市:先做特征空间对齐(目标城标准化器 → 源城标准化器),再复用源城标签空间做分类与评估。实测以一个源城模型推断另一城市,整体准确率约 0.64,说明由几何派生的形态指标具备跨城可迁移性。

可复现性

  • 环境:Python + PyTorch + PyTorch Geometric + GeoPandas。numpy 需锁定 1.24.x——升到 2.x 会让 torch 2.2 的 C 扩展直接崩,仓库内附了一个 pickle 兼容读取模块来兼容不同 numpy 版本存的中间文件。
  • 流水线分六步(建图 / 训练 / 解释 / 聚类 / 回贴等),每一步都有独立开关,可整链跑、也可只重跑其中一步复用中间产物。
  • 仓库自带 DATA_SOURCES.md 与 ENVIRONMENT.md,写明数据获取渠道、依赖组合与踩过的坑。

仓库

github.com/z1lyA/CoMo_Extraction —— 欢迎 Star / Issue。